蔡斌杰，李 哲，周牡丹，陳 錦

（廈門大學嘉庚學院，福建 漳州 363123）

0 引 言

目前，新冠肺炎在多國肆虐，對人們的生命健康和社會經(jīng)濟發(fā)展帶來了巨大威脅。中國在防控疫情的過程中，在人員流動的各類入口位置（包括超市入口、地鐵/火車站入口等），以及其他各類公共場所進行了廣泛的體溫篩查，經(jīng)驗表明，這對于及早發(fā)現(xiàn)潛在感染者、阻斷疫情傳播具有幫助。我國在2003年初步應用紅外測溫技術篩查體溫，其無接觸、高效、準確的優(yōu)勢得到了專業(yè)人員的認可，在之后防御禽流感、甲型流感，包括新冠肺炎疫情中都發(fā)揮了重大作用。但市面上現(xiàn)有的全自動紅外測溫裝置大多為醫(yī)院、商超等人流量大的公共場所設計，體積大，價格昂貴。而手持式紅外測溫裝置的測量準確度受其操作方法的影響大，且功能單一。市面上現(xiàn)有這兩類紅外測溫裝置并不完全適合學校、辦公室這類規(guī)模相對較小的公共場所。為了將傳染病防控落實到每一個角落，設計一款價格低廉、功能多樣的新型紅外測溫裝置具有重要的社會意義。

1 主要算法和原理

1.1 類Haar人臉檢測算法

1.1.1 Haar-Like特征

在最早對于人臉檢測的研究中，像素特征被大量使用，但識別效果并不理想。為了實現(xiàn)更好的人臉檢測，Viola提出了由2個或2個以上全等矩形相鄰組合形成的Haar-Like特征。Haar-Like特征是黑色矩形和白色矩形在圖像子窗口中對應區(qū)域的灰度級總和之差。Haar-Like特征能夠有效反映圖像局部灰度變化信息，而且具有可以通過積分圖快速計算的特點。在實際應用中，4種Haar-Like特征不足以滿足對于不同應用場景下對于人臉識別檢測的需求。后續(xù)，基于4種基本Haar-Like特征衍生出Haarlem-Like特征，可以被分為邊緣特征、線性特征和中心特征，方便并加快了對于目標的識別。

1.1.2 Adaboost算法

Adaboost是一種迭代算法，通過多次迭代將大量弱分類器按照權重疊加，得到效果理想的強分類器。初始時各訓練樣本權值默認相等，按照既定程序訓練后得到弱分類器，反復迭代。在第次迭代中，權值由第-1次迭代的結果決定。每次迭代完成都需要重新計算一次權值，被分類錯誤樣本的權值不斷提高，突出顯現(xiàn)。將反復迭代后得到的個最優(yōu)弱分類器按照一定的級聯(lián)方式聯(lián)合，形成一個強分類器。

1.2 LBPH人臉識別算法

LBP算法是當前一類比較成熟的人臉部特征提取技術。LBP算法最早由Ojala等在1994年提出，通過比較3×3模板中心像素與其鄰域像素的大小，得到鄰域像素的二進制代碼，從而得到LBP特征。

Local Binary Patterns Histograms，即LBP特征統(tǒng)計直方圖。這種表示方法由Ahonen等人在2004年提出，他們將LBP特征圖像分成個局部塊，并提取每個局部塊的直方圖，然后將這些直方圖依次連接形成LBP特征統(tǒng)計直方圖，即LBPH。LBPH算法的優(yōu)勢在于計算量小，運行速度快，且基本不受光線和圖像旋轉的影響。

1.3 SSD目標檢測算法

針對YOLO和Faster R-CNN的不足與優(yōu)勢，WeiLiu等人提出了SSD算法。SSD基于一個前向傳播卷積神經(jīng)網(wǎng)絡，產(chǎn)生一系列固定大小的活動邊框，以及每一個盒中包含物體實例的可能性。之后，進行非極大值抑制（Non-maximum suppression），得到最終的預測結果。SSD算法屬于onestage方法，通過直接在網(wǎng)絡中提取特征來預測物體分類和位置，在識別速度方面具有優(yōu)勢。

總體目標損失函數(shù)是位置損失（loc）和置信損失（conf）的加權和，總體目標損失函數(shù)公式如下：

式中：為匹配的默認框數(shù)量；為置信損失和位置損失的權重。位置損失是預測框和真實標簽值框參數(shù)之間的smooth-L1損失，而置信損失是softmax對多類別的損失。

2 系統(tǒng)架構和運行流程

2.1 總體架構

測溫部分的工作可以分為如下2個階段：

（1）通過STM32讀取紅外溫度傳感器傳回的溫度數(shù)據(jù)；

（2）通過溫度補償擬合曲線對傳回的溫度數(shù)據(jù)進行處理，減小溫度測量的誤差。

總體架構如圖1所示。

圖1 總體架構

圖像識別處理部分的工作可以分為4個階段：

（1）讀取攝像頭模塊傳回的圖像信息并進行相應處理；

（2）利用基于Haar-Like特征和Adaboost算法檢測圖像中的人臉位置；

（3）通過LBPH算法獲取人臉特征，與本地識別器進行匹配，匹配結果即為人臉識別結果；

（4）通過基于caffe模型的SSD算法處理人臉信息，由訓練后的神經(jīng)網(wǎng)絡模型判斷人員是否佩戴口罩。

2.2 運行流程

2.2.1 溫度數(shù)據(jù)處理

將系統(tǒng)測溫模塊上的攝像頭對準待測溫人員，即可在系統(tǒng)副屏上查看溫度測量結果、報警溫度、溫度是否在合理范圍內（如圖2所示）。如果溫度結果高于報警溫度，系統(tǒng)將發(fā)出警報。報警溫度可以通過按鈕調節(jié)。

圖2 副屏顯示溫度檢測結果

2.2.2 人臉識別系統(tǒng)

點擊“錄制人臉”按鈕，程序進入采集人臉模式。將采集的人臉用白色線框框選，并保存至本地文件夾，右上角顯示完成度。當完成度達到100%時，程序進入人臉訓練模式，并發(fā)送指令至STM32單片機，STM32單片機控制語音模塊播放“人臉學習中”與“人臉學習完畢”的提示語。人臉識別系統(tǒng)的訓練本質是將獲取的圖像信息訓練成可用于辨識的LBPH識別器，并將其保存到本地。人臉識別系統(tǒng)訓練流程如圖3所示。

圖3 人臉識別系統(tǒng)訓練流程

人臉檢測過程中，檢測到人臉后將人臉使用藍色線框選出，并顯示匹配度。若識別失敗，則用紅色線框框選人臉；若識別成功，則用綠色線框框選人臉，并在右側顯示識別結果。將識別ID通過串口發(fā)送至STM32單片機，由STM32控制語音模塊播放對應人員的問候語句。

2.2.3 口罩檢測

點擊“口罩識別”按鈕，程序進入口罩識別模式。若人員未佩戴口罩用紅色線框框選出，并發(fā)送警報指令至STM32單片機，STM32單片機控制語音模塊播放“請佩戴口罩”警示語；若人員已佩戴口罩，則用綠色線框框選出來?？谡謾z測運行結果顯示如圖4所示，佩戴口罩識別流程如圖5所示。

圖4 口罩檢測運行結果

圖5 佩戴口罩識別流程

3 系統(tǒng)測試

3.1 測溫部分測試

測試方案：將溫度傳感器分別對準液態(tài)水、額頭，距離

1～4 cm，記錄誤差。

測試條件與儀器：28～48℃隨機溫度的液態(tài)水；單通道熱電偶測溫儀、體溫計。

測試1：非接觸溫度測量功能，測試距離1～4 cm。非接觸測量體溫結果見表1所列。

表1 非接觸測量體溫結果表

測試2：溫度測量范圍28～48 ℃，具有溫度報警功能。報警溫度在30～46℃范圍內可設置。溫度報警功能測試結果見表2所列。

表2 溫度報警功能測試結果表

3.2 圖像處理部分測試

3.2.1 人臉識別與檢測

測試：身份識別功能，被測人身份識別和身份不符報警（判斷輸入的人臉信息是否與本地已存儲的人臉信息相匹配）。身份識別功能測試結果見表3所列。

表3 身份識別功能測試結果表

3.2.2 口罩識別

測試：被測人是否符合防疫要求（佩戴口罩）判別功能?？谡肿R別功能測試結果見表4所列。

表4 口罩識別功能測試結果表

4 結 語

文中設計了一款基于樹莓派和STM32的簡易無接觸溫度測量和人臉識別裝置，該裝置充分利用了基于Haar-Like特征的Adaboost算法，人臉識別測試成功率高，同時具備造價低廉、性能穩(wěn)定等優(yōu)勢。下一步希望在人臉識別檢測與識別實現(xiàn)的算法上進行優(yōu)化，保證在嵌入式平臺流暢運行的基礎上優(yōu)化人臉識別算法的成功率和準確性。